垃圾分类模型训练部署教程,基于MaixHub和MaixPy-k210(1)

简介: 我的准备Maix duino开发板一块(含摄像头配件)Type-c数据集一根

我的准备

  • Maix duino开发板一块(含摄像头配件)
  • Type-c数据集一根

垃圾的图片数据集

分四类垃圾:厨余垃圾、有害垃圾、可回收垃圾、其它垃圾。每类垃圾分一个文件夹,文件夹中就是该类垃圾的图片。

MaixPy IDE(软件)

编辑用来调用模型的代码

kflash_gui(软件)

将模型文件烧录(下载)到开发板上

数据集:有许多地方可以下载,例如:


中文生活垃圾分类数据集-modelscope

百度飞桨-AIStudio

软件工具:


kflash_gui:下载教程,下载地址-github

MaixPy IDE:MaixPy安装教程

参考文档:


MaixPy参考文档

了解MaixPy建议阅读其中的”入门必看指南“;或者,在你遇到问题时可以在改文档中进行搜索,大部分可以找到。

开始干活

在MaixHub训练模型

首先,让我们在浏览器打开MaixHub的网站:MaixHub,任务分为三步:

  • 上传数据集
  • 创建训练任务,进行训练
  • 下载训练好的模型

1、上传数据集

打开MaixHub网站后,点击模型训练

1ec429e1868348659fc4ad563d4aca92.png

efdb3626fc674a2da6fe8db6169595fb.png

为数据集起个朴素的名字,选择标注类型

  • 分类:判断一张图片的类别。
  • 检测:比分类更进一步,从图片找到特定物体,得到物体的位置(坐标)和类别

这里我们选择的是分类;检测任务的训练数据标注会比较麻烦。

52f4821fa74d4fd9ab778db369956c24.png

然后点击进入我们刚刚创建的数据集,现在它里面还什么都没有

4678b23b752a464eb8f62726996f45da.png

接着添加标签,依次输入添加本次任务中所有的标签。

  • 我这里是把垃圾分成四类,所以标签有food、harmful、other、recyclable,分别代表厨余垃圾、有害垃圾 、其它垃圾、可回收垃圾。

041f642f8d9045f8923269b6563ee059.png

然后点击一个标签,比如food,接着选择图片,以上传类别为food的图片。

ead135b853a347deac71fb4926f199cc.png

选中所有food类别的图片,然后点击打开,就可以批量一次性上传所有该类别的图片。

image.png

图片会要加载小一会儿,加载完成后开始上传

一定要点击“开始上传”!仅仅加载完是没有用的。

2ff37dd851e94cb2969ab51ea4762825.png

垃圾分类模型训练部署教程,基于MaixHub和MaixPy-k210(2):https://developer.aliyun.com/article/1407167?spm=a2c6h.13148508.setting.33.79f64f0ecKMDuK


相关文章
|
17天前
|
机器学习/深度学习 数据采集 Python
从零到一:手把手教你完成机器学习项目,从数据预处理到模型部署全攻略
【10月更文挑战第25天】本文通过一个预测房价的案例,详细介绍了从数据预处理到模型部署的完整机器学习项目流程。涵盖数据清洗、特征选择与工程、模型训练与调优、以及使用Flask进行模型部署的步骤,帮助读者掌握机器学习的最佳实践。
54 1
|
2月前
|
机器学习/深度学习 算法 数据挖掘
从菜鸟到大师:Scikit-learn库实战教程,模型训练、评估、选择一网打尽!
【9月更文挑战第13天】在数据科学与机器学习领域,Scikit-learn是不可或缺的工具。本文通过问答形式,指导初学者从零开始使用Scikit-learn进行模型训练、评估与选择。首先介绍了如何安装库、预处理数据并训练模型;接着展示了如何利用多种评估指标确保模型性能;最后通过GridSearchCV演示了系统化的参数调优方法。通过这些实战技巧,帮助读者逐步成长为熟练的数据科学家。
104 3
|
3月前
|
监控 数据安全/隐私保护 异构计算
借助PAI-EAS一键部署ChatGLM,并应用LangChain集成外部数据
【8月更文挑战第8天】借助PAI-EAS一键部署ChatGLM,并应用LangChain集成外部数据
95 1
|
3月前
|
机器学习/深度学习 数据采集 人工智能
揭秘大型机器学习模型背后的秘密:如何在技术深度与广度之间找到完美平衡点,探索那些鲜为人知的设计、训练与部署技巧,让你的作品脱颖而出!
【8月更文挑战第21天】大型机器学习模型是人工智能的关键方向,借助不断增强的计算力和海量数据,已实现在学术与产业上的重大突破。本文深入探讨大型模型从设计到部署的全过程,涉及数据预处理、模型架构(如Transformer)、训练技巧及模型压缩技术,旨在面对挑战时提供解决方案,促进AI技术的实用化进程。
70 1
|
3月前
|
机器学习/深度学习 数据采集 人工智能
【机器学习】klearn基础教程
scikit-learn(通常缩写为sklearn)是一个用于Python编程语言的强大机器学习库。它提供了各种分类、回归、聚类算法,以及数据预处理、降维和模型评估的工具。以下是sklearn的基础教程,帮助你开始使用它
25 3
|
3月前
|
机器学习/深度学习 监控 API
基于云计算的机器学习模型部署与优化
【8月更文第17天】随着云计算技术的发展,越来越多的数据科学家和工程师开始使用云平台来部署和优化机器学习模型。本文将介绍如何在主要的云计算平台上部署机器学习模型,并讨论模型优化策略,如模型压缩、超参数调优以及分布式训练。
654 2
|
3月前
|
机器学习/深度学习 JSON API
【Python奇迹】FastAPI框架大显神通:一键部署机器学习模型,让数据预测飞跃至Web舞台,震撼开启智能服务新纪元!
【8月更文挑战第16天】在数据驱动的时代,高效部署机器学习模型至关重要。FastAPI凭借其高性能与灵活性,成为搭建模型API的理想选择。本文详述了从环境准备、模型训练到使用FastAPI部署的全过程。首先,确保安装了Python及相关库(fastapi、uvicorn、scikit-learn)。接着,以线性回归为例,构建了一个预测房价的模型。通过定义FastAPI端点,实现了基于房屋大小预测价格的功能,并介绍了如何运行服务器及测试API。最终,用户可通过HTTP请求获取预测结果,极大地提升了模型的实用性和集成性。
241 1
|
3月前
|
机器学习/深度学习 API 网络架构
"解锁机器学习超级能力!Databricks携手Mlflow,让模型训练与部署上演智能风暴,一触即发,点燃你的数据科学梦想!"
【8月更文挑战第9天】机器学习模型的训练与部署流程复杂,涵盖数据准备、模型训练、性能评估及部署等步骤。本文详述如何借助Databricks与Mlflow的强大组合来管理这一流程。首先需在Databricks环境内安装Mlflow库。接着,利用Mlflow跟踪功能记录训练过程中的参数与性能指标。最后,通过Mlflow提供的模型服务功能,采用REST API或Docker容器等方式部署模型。这一流程充分利用了Databricks的数据处理能力和Mlflow的生命周期管理优势。
142 7
|
3月前
|
机器学习/深度学习 人工智能 关系型数据库
【机器学习】Qwen2大模型原理、训练及推理部署实战
【机器学习】Qwen2大模型原理、训练及推理部署实战
644 0
【机器学习】Qwen2大模型原理、训练及推理部署实战
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
基于PAI 低代码实现大语言模型微调和部署
【8月更文挑战第10天】基于PAI 低代码实现大语言模型微调和部署